ResDepth：基于残差学习的立体重建
计算机视觉与模式识别
2021-06-21 v3
摘要
我们提出了一种极其简单但非常有效的高质量稠密立体重建方案：（i）用你喜欢的立体匹配器生成近似重建；（ii）用该近似模型对输入图像进行重投影；（iii）以初始重建和重投影图像为输入，训练深度网络通过回归残差校正来增强重建；以及（iv）若需要，用新的、改进的重建迭代细化。仅学习残差的策略极大简化了学习问题。一个不带任何花哨结构的标椎Unet就足以重建甚至微小的表面细节，如卫星图像中的屋顶窗和屋面子结构。我们还研究了信息更少情况下的残差重建，发现即使单张图像也足以大幅改善近似重建。我们的完整模型在卫星立体这一目标领域以及ETH3D基准的立体图像对上，将最先进（state-of-the-art）立体重建系统的平均绝对误差降低了>50%。
引用
@article{arxiv.2001.08026,
title = {ResDepth: Learned Residual Stereo Reconstruction},
author = {Corinne Stucker and Konrad Schindler},
journal= {arXiv preprint arXiv:2001.08026},
year = {2021}
}
备注
updated supplementary material